स्वचालित मशीन लर्निंग (AutoML) और क्या है
क्या यह डेटा वैज्ञानिकों को दूर ले जाने वाला है?

Google AutoML जैसे स्वचालित मशीन लर्निंग टूल्स (AutoML) की उपस्थिति की शुरुआत के बाद से, विशेषज्ञ इस सवाल पर चर्चा कर रहे हैं कि क्या वे पूर्ण कॉर्पोरेट एकीकरण और आवेदन के लिए तैयार हैं। ऑटोएमएल उपकरण विवरण बताता है कि हर कोई "डेटा वैज्ञानिक" की भूमिका निभा सकता है, जो पारंपरिक रूप से आवश्यक तकनीकी पृष्ठभूमि के बिना औद्योगिक उपयोग के लिए तैयार मशीन लर्निंग मॉडल बनाने में सक्षम है।

हालांकि यह निश्चित रूप से सच है कि स्वचालित मशीन सीखने की प्रक्रियाएं उन तरीकों को बदल रही हैं जिनमें उद्यम डेटा विश्लेषण कार्य कर सकते हैं, तकनीक अभी तक डेटा विशेषज्ञों को काम से बाहर करने के लिए तैयार नहीं है। प्रौद्योगिकी के मुख्य दावों में से एक यह है कि स्वचालित रूप से बनाए गए मॉडल समान गुणवत्ता वाले होते हैं और डेटा शोधकर्ताओं के एक समूह द्वारा बनाए गए समकक्ष मॉडल की तुलना में जल्द से जल्द उत्पादित होते हैं।

हालांकि ऑटोएमएल मॉडल बनाने में तेज हैं, वे केवल तभी प्रभावी होते हैं जब वे जिस समस्या की तलाश कर रहे हैं वह निरंतर और आवर्ती हो। अधिकांश AutoML मॉडल अच्छी तरह से काम करते हैं और इन परिस्थितियों में लगातार गुणवत्ता प्राप्त करते हैं; लेकिन डेटा समस्या जितनी जटिल है, ऑटोएमएल सिस्टम ने जो कुछ भी शुरू किया है, उसे समझने के लिए और अधिक विशेषज्ञ के हस्तक्षेप की आवश्यकता है। इनमें से कुछ सीमाओं को समझने के लिए, आइए ऑटोएमएल प्रक्रिया को और अधिक विस्तार से देखें।

ऑटोएमएल उपकरण मौजूदा जानकारी का उपयोग करके हर संभव कार्य करके डेटा प्रोसेसिंग को सरल बनाते हैं। प्रक्रिया में तीन मुख्य चरण होते हैं:

पहले चरण में जानकारी का "निष्कर्षण" शामिल है, जो उत्पन्न मॉडल की उत्पादकता को बढ़ाने में मदद करता है, अध्ययन के लिए अतिरिक्त जानकारी बनाता है। इसमें बहुत समय लगता है, क्योंकि डेटा विश्लेषण विशेषज्ञ को डेटा तत्वों के बीच संबंधों को मैन्युअल रूप से पहचानने और अतिरिक्त डेटा फ़ील्ड के रूप में जानकारी पेश करने के तरीके विकसित करने की आवश्यकता होती है जो मशीन प्रशिक्षण के लिए उपयोग कर सकती है, साथ ही एक मॉडल बनाने के लिए डेटा की पूर्णता पर निर्णय ले सकती है। ।

यह एक महत्वपूर्ण कदम है, क्योंकि इन अतिरिक्त आंकड़ों का अक्सर अनुपयोगी और एक उत्कृष्ट मॉडल के बीच अंतर होता है। ऑटोएमएल को डेटा खोज विधियों की एक सीमित श्रृंखला का उपयोग करने के लिए प्रोग्राम किया जाता है, आमतौर पर इस तरह से "औसत" डेटा की समस्या को पूरा करने के लिए, मॉडल के अंतिम प्रदर्शन को सीमित करना, क्योंकि यह एक विशिष्ट एसएमई (छोटे मध्यम व्यापार) के ज्ञान का उपयोग नहीं कर सकता है, जो सफलता के लिए महत्वपूर्ण हो सकता है और कि एक डेटा विशेषज्ञ अपने काम में उपयोग कर सकता है।

एल्गोरिदम में प्रतिनिधित्व करने के लिए डेटा का चयन करने के लिए महत्वपूर्ण मानसिक प्रयास के साथ कई डेटा समस्याएं शुरू होती हैं। सिस्टम में आपके पास मौजूद सभी डेटा को स्थानांतरित करने से एक मॉडल हो सकता है जो मापदंडों से मेल नहीं खाता है, क्योंकि डेटा में आमतौर पर कई अलग-अलग होते हैं, अक्सर परस्पर विरोधी संकेत होते हैं जिन्हें व्यक्तिगत रूप से लक्षित और मॉडल किया जाना चाहिए।

यह धोखाधड़ी के संबंध में विशेष रूप से सच है, जब विभिन्न भौगोलिक क्षेत्रों, भुगतान चैनलों आदि में बहुत भिन्न प्रकार के धोखाधड़ी होते हैं। इन पैटर्नों को मैन्युअल रूप से खोजने के प्रयास और सटीक पहचान सुनिश्चित करने के लिए उपयुक्त डेटासेट डिज़ाइन करते हैं जो अभी भी काफी हद तक स्वचालित नहीं हैं। इस तरह की घटना की विशाल जटिलता के कारण वर्तमान में इस समस्या के लिए एक बहुउद्देश्यीय स्वचालित दृष्टिकोण का उपयोग करना असंभव है।

अगला चरण मॉडलों की पीढ़ी है। विभिन्न विन्यास वाले मॉडल पिछले चरण के डेटा का उपयोग करके बनाए और प्रशिक्षित किए जाते हैं। यह बहुत महत्वपूर्ण है क्योंकि प्रत्येक समस्या के लिए डिफ़ॉल्ट कॉन्फ़िगरेशन का उपयोग करना और सर्वोत्तम परिणाम प्राप्त करना लगभग असंभव है।

इस बिंदु पर, ऑटोएमएल सिस्टम का डेटा विशेषज्ञों पर एक फायदा है क्योंकि वे बहुत कम समय में बड़ी संख्या में परीक्षण मॉडल बना सकते हैं। अधिकांश ऑटोएमएल सिस्टम सार्वभौमिक होने का प्रयास करते हैं और केवल गहरे तंत्रिका नेटवर्क का उत्पादन करते हैं, जो कई कार्यों के लिए निरर्थक हो सकता है, जब एक साधारण मॉडल, जैसे लॉजिस्टिक प्रतिगमन या निर्णय पेड़, अधिक उपयुक्त हो सकता है और हाइपर पैरामीटर अनुकूलन से लाभ हो सकता है।

अंतिम चरण एक सामूहिक प्रदर्शन परीक्षण है और सर्वश्रेष्ठ कलाकार का चयन करना है। यह इस स्तर पर है कि कुछ मैनुअल श्रम की आवश्यकता होती है, कम से कम नहीं क्योंकि यह बेहद महत्वपूर्ण है कि उपयोगकर्ता कार्य के लिए सही मॉडल का चयन करता है। एक धोखाधड़ी जोखिम मॉडल होना बेकार है जो 100% धोखाधड़ी के मामलों की पहचान करता है, लेकिन प्रत्येक प्राधिकरण में प्रश्न करता है।

वर्तमान मैनुअल प्रक्रिया में, डेटा को समझने और प्रभावी वर्णनात्मक डेटा फ़ंक्शन विकसित करने के लिए डेटा विशेषज्ञ एसएमई के साथ काम करते हैं। एसएमई और डेटा विशेषज्ञ के बीच का यह महत्वपूर्ण लिंक सामान्य ऑटोएमएल से गायब है। जैसा कि पहले वर्णित है, प्रक्रिया इन मॉडलों को स्वचालित रूप से उत्पन्न करने का प्रयास करती है कि उपकरण डेटा में क्या पता लगा सकता है, जो अनुचित हो सकता है, जिससे अक्षम मॉडल हो सकते हैं। भविष्य के ऑटोएमएल सिस्टम को विशेषज्ञों द्वारा विकसित मानकों के अनुसार उच्च गुणवत्ता वाले मॉडल बनाने के लिए इसे और अन्य सीमाओं को ध्यान में रखते हुए डिज़ाइन किया जाना चाहिए।

ऑटोएमएल का भविष्य

AutoML का विकास जारी है, और प्रमुख वर्तमान AutoML विक्रेताओं (Google और Microsoft) ने महत्वपूर्ण सुधार किए हैं। ये विकास मुख्य रूप से तैयार मॉडल बनाने की गति को बढ़ाने पर केंद्रित थे, न कि अधिक जटिल समस्याओं (उदाहरण के लिए, धोखाधड़ी और नेटवर्क घुसपैठ) का समाधान करने के लिए प्रौद्योगिकी को बेहतर बनाने के तरीके पर, जहां ऑटोएमएल एक डेटा विशेषज्ञ से आगे जा सकता है।

जैसा कि ऑटोएमएल समाधान विकसित और विस्तार करना जारी रखता है, अधिक जटिल मैनुअल प्रक्रियाओं को स्वचालित किया जा सकता है। आधुनिक ऑटोएमएल सिस्टम छवियों और भाषण के साथ बहुत अच्छा काम करते हैं क्योंकि ऑटोएमएल ने इन कार्यों को अच्छी तरह से करने के लिए व्यावसायिक ज्ञान का निर्माण किया है। भविष्य के ऑटोएमएल सिस्टम में व्यापार उपयोगकर्ताओं के लिए मशीन को स्वचालित रूप से बहुत सटीक मॉडल बनाने में मदद करने के लिए अपने ज्ञान को इनपुट करने का अवसर होगा।

उसके शीर्ष पर, जटिल डेटा पाइपलाइन अधिक से अधिक ऑर्डर हो जाएंगे, और अनुकूलन के लिए बड़ी संख्या में विभिन्न एल्गोरिदम को जोड़ने से संभावित समस्याओं का और विस्तार होगा, जो नागरिक डेटा के साथ काम करने वाले वैज्ञानिक हल कर सकते हैं।

यद्यपि कई डेटा प्रोसेसिंग कार्य स्वचालित हो जाएंगे, यह वैज्ञानिकों को व्यवसाय के लिए कस्टम कार्य करने की अनुमति देगा; आगे नवाचार को प्रोत्साहित करना और व्यवसायों को राजस्व सृजन और व्यवसाय विकास के अधिक महत्वपूर्ण क्षेत्रों पर ध्यान केंद्रित करने में सक्षम बनाना।